語音增強是語音信號處理研究領域的一個重要分支。在過去的幾十年中,有很多無監(jiān)督的語音增強方法被提出,它們主要是通過先估計噪聲的譜信息,然后從帶噪語譜中將估計的噪聲譜減掉以得到對干凈語音譜的預測。但是由于噪聲的隨機性和突變性,使得對噪聲的跟蹤和估計變得困難。同時在傳統(tǒng)的語音增強方法中,考慮到噪聲和語音間的相互作用關系很復雜,就需要一些對信號間的獨立性假設以及對特征分布的高斯性假設,而這些假設通常是不合理的。首先,傳統(tǒng)的語音增強方法會殘留很多噪聲,甚至是音樂噪聲。其次,語音的細節(jié)也在較大程度上受到破壞,這主要體現(xiàn)在對低信噪比語音的增強中。再者,極端非平穩(wěn)噪聲一直是傳統(tǒng)語音增強方法中比較棘手的地方,因為非平穩(wěn)噪聲的突發(fā)性,使得它始終處于被欠估計狀態(tài),難以從帶噪語音中去掉,可實際聲學環(huán)境中,各種非平穩(wěn)噪聲又是大概率發(fā)生事件。最后,傳統(tǒng)的語音增強方法易引入一些非線性失真,使得其對后端的語音識別或語音編碼產(chǎn)生不良影響。 近年來,隨著深層神經(jīng)網(wǎng)絡(Deep Neural Network, DNN)在語音識別領域的成功應用,給了語音增強任務的研究人員很多啟發(fā)。DNN的深層非線性結構可以被設計成一個精細的降噪濾波器。同時基于大數(shù)據(jù)訓練,DNN可以充分學習帶噪語音和干凈語音之間的復雜的非線性關系。另外DNN的訓練是離線學習的,如同人一樣,它能記住一些噪聲的模式,因而可以很好地抑制一些非平穩(wěn)噪聲。而在本論文中,我們提出一種幾乎無任何假設的基于DNN的語音增強方法,并針對實際環(huán)境中語音增強問題展開了一系列系統(tǒng)性的研究。 首先我們提出了基于DNN的語音增強方法框架,對數(shù)功率譜被用作訓練DNN模型的特征。DNN則作為映射函數(shù),可以從帶噪語音中預測出干凈語音。而DNN的訓練是分兩步進行的,即預訓練和有監(jiān)督訓練。預訓練是基于受限玻爾茲曼機(Restricted Boltzmann Machine, RBM)的逐層貪婪式初始化,它可以防止DNN陷入局部最優(yōu)。而有監(jiān)督調(diào)優(yōu)可以精準地學習帶噪語音和干凈語音之間的非線性關系。 其次,DNN是一種有監(jiān)督的學習模型,凡是有監(jiān)督的模型都存在如何應對測試集不匹配問題,也即如何提升系統(tǒng)的泛化能力。上百種類型的噪聲數(shù)據(jù)被用來構建大規(guī)模訓練數(shù)據(jù),以此提高DNN模型對未見的測試噪聲環(huán)境的適應性。同時我們發(fā)現(xiàn),通過此種方法,系統(tǒng)對非平穩(wěn)噪聲有非常強的抑制能力。噪聲告知訓練也可以進一步地增強模型對測試噪聲環(huán)境的預見能力。而丟棄(Dropout)法可以防止訓練出現(xiàn)過擬合現(xiàn)象。另外,我們還針對DNN作為回歸模型出現(xiàn)的過平滑問題,提出了全局方差均衡方法以提升增強的語音的聽感。 再者,對測試中的不匹配帶噪語音需要做自適應,這個不匹配主要有：能量不匹配,噪聲環(huán)境不匹配和語言不匹配等方面。因此我們分別在特征層面,提出了均值移位方法,來解決測試語音的特征分布不一致的問題。而對于噪聲類型不匹配問題,我們提出了一種動態(tài)的噪聲告知訓練方法,即先用IBM動態(tài)地估計每一幀的噪聲,然后用來輔助DNN的學習。語言不匹配問題,主要存在于跨語種測試的時候,由于不同語系發(fā)音上的差異性導致的丟音問題。我們提出了通過轉(zhuǎn)移學習的方法,來自適應地解決這個問題。 最后,對數(shù)功率譜上的最小均方誤差是訓練DNN的目標函數(shù),但是直接去優(yōu)化這個目標函數(shù)有一定困難的。我們提出了一種間接的目標函數(shù)優(yōu)化方式�？紤]到對數(shù)功率譜域上的各個維度間是相互獨立的,因此我們把梅爾倒頻譜參數(shù)(Mel Frequency Cepstrum Coefficient, MFCC)融合到系統(tǒng)中來,讓DNN去聯(lián)合優(yōu)化對數(shù)功率譜特征和MFCC特征。利用MFCC的每個參數(shù)都包含了頻率各個維度間的相關性來限制對對數(shù)功率譜的估計,以得到一個在頻率各個維度上誤差更具有一致性的特征預測。除了MFCC這種連續(xù)性信息,我們還可以用一些具有分類特性的元信息來作為對對數(shù)功率譜預測的輔助項,比如IBM,它顯式地表征了當前時間頻率單元是噪聲主導的還是語音主導的。另外,經(jīng)過聚類的噪聲編碼也用來輔助DNN對對數(shù)功率譜特征的學習。 在本論文的最后,我們給出了全文總結,并對該課題的未來進行了展望。

【學位授予單位】：中國科學技術大學
【學位級別】：博士
【學位授予年份】：2015
【分類號】：TN912.35;TP183
【目錄】：

【共引文獻】

中國期刊全文數(shù)據(jù)庫 前10條

1 相征;朗朗;王靜;;基于基音頻能值的端點檢測算法[J];安徽工程科技學院學報(自然科學版);2008年03期

2 呂軍;馬曉娜;;漢語孤立詞聲韻分割算法的研究[J];安徽師范大學學報(自然科學版);2008年03期

3 王暉;顏靖華;李傳珍;蔡娟娟;;音頻貝葉斯諧波模型中參數(shù)的提取[J];中國傳媒大學學報(自然科學版);2007年04期

4 周長鋒;韓力群;;概率神經(jīng)網(wǎng)絡在文本無關說話人識別中的應用[J];北京工商大學學報(自然科學版);2007年01期

5 魏麗英;;簡析語音編碼[J];才智;2010年31期

6 由守杰;柏森;曹巍巍;;魯棒的DCT域音頻盲水印算法[J];重慶郵電大學學報(自然科學版);2008年02期

7 肖菲;陳賀新;許萬里;趙巖;;模式匹配和過零率檢測的音頻差錯掩蓋[J];吉林大學學報(信息科學版);2011年01期

8 李雨昕;;基于余弦過完備原子庫的語音信號MP稀疏分解[J];成都電子機械高等�？茖W校學報;2011年02期

9 劉瀟營;鄭郁正;李國良;;多類支持向量機在語音識別中的應用[J];成都信息工程學院學報;2010年01期

10 王昌喜;楊先軍;徐強;馬祖長;孫怡寧;;基于三維加速度傳感器的上肢動作識別系統(tǒng)[J];傳感技術學報;2010年06期

中國博士學位論文全文數(shù)據(jù)庫 前10條

1 黃麗霞;非特定人魯棒性語音識別中前端濾波器的研究[D];太原理工大學;2011年

2 謝春輝;音頻隱藏分析方法研究[D];中國科學技術大學;2011年

3 包桂蘭;基于EPG的蒙古語標準音協(xié)同發(fā)音研究[D];內(nèi)蒙古大學;2011年

4 呂釗;噪聲環(huán)境下的語音識別算法研究[D];安徽大學;2011年

5 姜濤;網(wǎng)絡環(huán)境下說話人識別關鍵技術研究[D];哈爾濱工業(yè)大學;2011年

6 肖文斌;基于耦合隱馬爾可夫模型的滾動軸承故障診斷與性能退化評估研究[D];上海交通大學;2011年

7 韓志艷;語音信號魯棒特征提取及可視化技術研究[D];東北大學;2009年

8 高林;育苗生產(chǎn)線氣吸式播種系統(tǒng)智能控制的研究[D];北京林業(yè)大學;2008年

9 汪云路;語音隱藏分析方法研究[D];中國科學技術大學;2008年

10 錢博;基于漢語元音映射的說話人識別技術研究[D];南京理工大學;2007年

中國碩士學位論文全文數(shù)據(jù)庫 前10條

1 劉繼芳;基于計算聽覺場景分析的混合語音分離研究[D];哈爾濱工程大學;2009年

2 王文姝;基于模糊理論的關鍵詞識別算法研究[D];哈爾濱工程大學;2010年

3 劉維巍;語音信號基音周期檢測算法研究[D];哈爾濱工程大學;2010年

4 樓佳;基于網(wǎng)絡QoS的AMR語音編碼算法研究[D];哈爾濱工程大學;2010年

5 陳晶;基于詞片網(wǎng)格的語音文檔主題分類[D];哈爾濱工程大學;2010年

6 朱妹麗;三種篡改情況下的音頻鑒定方法研究[D];大連理工大學;2010年

7 周翠梅;說話人識別技術的研究與實現(xiàn)[D];大連理工大學;2010年

8 甄會;欠定盲分離混合矩陣估計方法的研究[D];大連理工大學;2010年

9 張宇;基于倒譜特征的說話人識別方法研究[D];大連海事大學;2010年

10 劉亞玉;限定性文本的語料庫自動構建[D];中國海洋大學;2010年